Diese Masterthesis behandelt den Entwicklungsprozess einer interaktiven Kartenapplikation, deren Bereitstellung und Nutzung als Teil einer Museumsausstellung im Stadtmuseum Dresden zum Thema Tabak erfolgt. Der Prozess beinhaltet die Aufbereitung und Geokodierung von historischen Standortdaten, die Georeferenzierung und das Kacheln einer historischen Hintergrundkarte sowie eine detaillierte Gegenüberstellung verschiedener Mapping-Bibliotheken. Als Kernbestandteil der Arbeit folgt schließlich die Beschreibung des Implementierungsprozesses mit Mapbox GL JS und aller wichtigen Bestandteile der Karte. Die gesamte Anwendung wird mit HTML, CSS und JavaScript entwickelt. Dabei wird aufgezeigt, welche Elemente für eine intuitive Bedienung der Benutzeroberfläche durch eine heterogene Personengruppe notwendig sind und wie sich eine Touch-Benutzeroberfläche von einer klassischen Desktopanwendung unterscheidet. Die Einschätzung der zumutbaren Interaktionstiefe ergab, dass das Interaktionslevel auf einem geringen Niveau gehalten werden muss, um eine einfache Bedienbarkeit zu ermöglichen. Die Applikation wurde nach der Entwicklung von einer kleinen Personengruppe evaluiert, wobei eine Beantwortung verschiedener Aufgaben mithilfe der Anwendung und eine Einstufung anhand ihrer Schwierigkeit erfolgte. Dabei ergab sich bei der Mehrheit der Aufgabestellungen eine fast ausschließlich problemlose Bedienbarkeit der Anwendung durch Nutzer aller Altersklassen mit Ausnahme der Altersklasse 70+. Die Evaluation zeigte jedoch Differenzen bei der Interaktion durch Menschen mit unterschiedlichem Vorwissen in Bezug auf interaktive Karten. Die Gegenüberstellung der JavaScript-Bibliotheken Leaflet, Mapbox GL JS und OpenLayers ergab projektbezogen für die Kriterien Visualisierung und Performance ein sehr gutes Abschneiden von Mapbox GL JS. Hier wird eine einfache Programmierung der Karteninhalte und eine ansprechende Darstellung der Kartenelemente ermöglicht.

Es gibt viele praktische Probleme im GIS, die derzeit nicht automatisch gelöst werden können, nicht weil unsere Algorithmen zu langsam sind, sondern weil wir überhaupt keinen zufriedenstellenden Algorithmus haben. Dies kann vorkommen, wenn es um Semantik geht, z. B. beim Extrahieren von Informationen oder beim Entwerfen von Visualisierungen. Von einem Computer kann derzeit nicht erwartet werden, dass er solche Probleme völlig unbeaufsichtigt löst. Darum betrachten wir den menschlichen Einsatz explizit als Ressource. Ein Algorithmus soll so viel Arbeit wie möglich in hoher Qualität leisten – aber entscheidend ist auch, dass er intelligent genug ist, um zu sehen, wo er Hilfe braucht, was er den Benutzer fragen sollte und wie er dessen Antworten berücksichtigt. Dieses Konzept bezieht sich auf neue Bereiche der Informatik wie aktives Lernen, aber wir legen den Fokus auf das richtige Design und die Analyse von Algorithmen und den daraus resultierenden Dialog zwischen Algorithmus und Mensch, den wir algorithmisch geführte Benutzerinteraktion nennen. Dieser Ansatz soll auf die Informationsextraktion aus historischen Karten angewandt werden.

Bundesweite kleinteilige Flächennutzungsdaten früherer Zeitstände können für viele aktuelle, praktische und wissenschaftliche Anwendungen von großem Nutzen sein. Das im Beitrag vorgestellte Forschungsvorhaben hat sich die deutschlandweite, weitgehend automatisierte Erhebung retrospektiver digitaler Flächennutzungsinformationen vor Beginn des digitalen Zeitalters zum Ziel gesetzt. Im Fokus steht dabei der Stand der Akquise, der Aufbereitung sowie Prozessierung geeigneter Datenquellen für die geplante Zeitreihe (1990, 1970, 1950 und ausgewählte Zeitstände vor 1945). Abschließend werden erste Ergebnisse dieser Arbeit vorgestellt und Anwendungspotenziale aufgezeigt.

Land use changes have become a major contributor to the anthropogenic global change. The ongoing dispersion and concentration of the human species, being at their orders unprecedented, have indisputably altered Earth’s surface and atmosphere. The effects are so salient and irreversible that a new geological epoch, following the interglacial Holocene, has been announced: the Anthropocene. While its onset is by some scholars dated back to the Neolithic revolution, it is commonly referred to the late 18th century. The rapid development since the industrial revolution and its implications gave rise to an increasing awareness of the extensive anthropogenic land change and led to an urgent need for sustainable strategies for land use and land management. By preserving of landscape and settlement patterns at discrete points in time, archival geospatial data sources such as remote sensing imagery and historical geotopographic maps, in particular, could give evidence of the dynamic land use change during this crucial period. In this context, this thesis set out to explore the potentials of retrospective geoinformation for monitoring, communicating, modeling and eventually understanding the complex and gradually evolving processes of land cover and land use change. Currently, large amounts of geospatial data sources such as archival maps are being worldwide made online accessible by libraries and national mapping agencies. Despite their abundance and relevance, the usage of historical land use and land cover information in research is still often hindered by the laborious visual interpretation, limiting the temporal and spatial coverage of studies. Thus, the core of the thesis is dedicated to the computational acquisition of geoinformation from archival map sources by means of digital image analysis. Based on a comprehensive review of literature as well as the data and proposed algorithms, two major challenges for long-term retrospective information acquisition and change detection were identified: first, the diversity of geographical entity representations over space and time, and second, the uncertainty inherent to both the data source itself and its utilization for land change detection. To address the former challenge, image segmentation is considered a global non-linear optimization problem. The segmentation methods and parameters are adjusted using a metaheuristic, evolutionary approach. For preserving adaptability in high level image analysis, a hybrid model- and data-driven strategy, combining a knowledge-based and a neural net classifier, is recommended. To address the second challenge, a probabilistic object- and field-based change detection approach for modeling the positional, thematic, and temporal uncertainty adherent to both data and processing, is developed. Experimental results indicate the suitability of the methodology in support of land change monitoring. In conclusion, potentials of application and directions for further research are given.

Land use changes have become a major contributor to the anthropogenic global change. The ongoing dispersion and concentration of the human species, being at their orders unprecedented, have indisputably altered Earth’s surface and atmosphere. The effects are so salient and irreversible that a new geological epoch, following the interglacial Holocene, has been announced: the Anthropocene. While its onset is by some scholars dated back to the Neolithic revolution, it is commonly referred to the late 18th century. The rapid development since the industrial revolution and its implications gave rise to an increasing awareness of the extensive anthropogenic land change and led to an urgent need for sustainable strategies for land use and land management. By preserving of landscape and settlement patterns at discrete points in time, archival geospatial data sources such as remote sensing imagery and historical geotopographic maps, in particular, could give evidence of the dynamic land use change during this crucial period. In this context, this thesis set out to explore the potentials of retrospective geoinformation for monitoring, communicating, modeling and eventually understanding the complex and gradually evolving processes of land cover and land use change. Currently, large amounts of geospatial data sources such as archival maps are being worldwide made online accessible by libraries and national mapping agencies. Despite their abundance and relevance, the usage of historical land use and land cover information in research is still often hindered by the laborious visual interpretation, limiting the temporal and spatial coverage of studies. Thus, the core of the thesis is dedicated to the computational acquisition of geoinformation from archival map sources by means of digital image analysis. Based on a comprehensive review of literature as well as the data and proposed algorithms, two major challenges for long-term retrospective information acquisition and change detection were identified: first, the diversity of geographical entity representations over space and time, and second, the uncertainty inherent to both the data source itself and its utilization for land change detection. To address the former challenge, image segmentation is considered a global non-linear optimization problem. The segmentation methods and parameters are adjusted using a metaheuristic, evolutionary approach. For preserving adaptability in high level image analysis, a hybrid model- and data-driven strategy, combining a knowledge-based and a neural net classifier, is recommended. To address the second challenge, a probabilistic object- and field-based change detection approach for modeling the positional, thematic, and temporal uncertainty adherent to both data and processing, is developed. Experimental results indicate the suitability of the methodology in support of land change monitoring. In conclusion, potentials of application and directions for further research are given.